容器监控实践—Prometheus存储机制

时间 2019-11-08

标签容器监控实践 prometheus 存储机制繁體版

原文原文链接

概述

Prometheus提供了本地存储，即tsdb时序数据库，本地存储给Prometheus带来了简单高效的使用体验，prometheus2.0之后压缩数据能力也获得了很大的提高。能够在单节点的状况下知足大部分用户的监控需求。html

但本地存储也限制了Prometheus的可扩展性，带来了数据持久化等一系列的问题。为了解决单节点存储的限制，prometheus没有本身实现集群存储，而是提供了远程读写的接口，让用户本身选择合适的时序数据库来实现prometheus的扩展性。linux

Prometheus 1.x版本的TSDB（V2存储引擎）基于LevelDB，而且使用了和Facebook Gorilla同样的压缩算法，可以将16个字节的数据点压缩到平均1.37个字节。git

Prometheus 2.x版本引入了全新的V3存储引擎，提供了更高的写入和查询性能算法

如下全部内容均基于prometheus2.7版本sql

本地存储

存储原理

Prometheus按2小时一个block进行存储，每一个block由一个目录组成，该目录里包含：一个或者多个chunk文件（保存timeseries数据）、一个metadata文件、一个index文件（经过metric name和labels查找timeseries数据在chunk文件的位置）。数据库

最新写入的数据保存在内存block中，达到2小时后写入磁盘。为了防止程序崩溃致使数据丢失，实现了WAL（write-ahead-log）机制，启动时会以写入日志(WAL)的方式来实现重播，从而恢复数据。json

删除数据时，删除条目会记录在独立的tombstone文件中，而不是当即从chunk文件删除。缓存

经过时间窗口的形式保存全部的样本数据，能够明显提升Prometheus的查询效率，当查询一段时间范围内的全部样本数据时，只须要简单的从落在该范围内的块中查询数据便可。bash

这些2小时的block会在后台压缩成更大的block，数据压缩合并成更高level的block文件后删除低level的block文件。这个和leveldb、rocksdb等LSM树的思路一致。服务器

这些设计和Gorilla的设计高度类似，因此Prometheus几乎就是等于一个缓存TSDB。它本地存储的特色决定了它不能用于long-term数据存储，只能用于短时间窗口的timeseries数据保存和查询，而且不具备高可用性（宕机会致使历史数据没法读取）。

内存中的block数据未写入磁盘时，block目录下面主要保存wal文件:

./data/01BKGV7JBM69T2G1BGBGM6KB12
./data/01BKGV7JBM69T2G1BGBGM6KB12/meta.json
./data/01BKGV7JBM69T2G1BGBGM6KB12/wal/000002
./data/01BKGV7JBM69T2G1BGBGM6KB12/wal/000001

持久化的block目录下wal文件被删除，timeseries数据保存在chunk文件里。index用于索引timeseries在wal文件里的位置。

./data/01BKGV7JC0RY8A6MACW02A2PJD
./data/01BKGV7JC0RY8A6MACW02A2PJD/meta.json
./data/01BKGV7JC0RY8A6MACW02A2PJD/index
./data/01BKGV7JC0RY8A6MACW02A2PJD/chunks
./data/01BKGV7JC0RY8A6MACW02A2PJD/chunks/000001
./data/01BKGV7JC0RY8A6MACW02A2PJD/tombstones

存储配置

对于本地存储，prometheus提供了一些配置项，主要包括：

--storage.tsdb.path: 存储数据的目录，默认为data/，若是要挂外部存储，能够指定该目录
--storage.tsdb.retention.time: 数据过时清理时间，默认保存15天
--storage.tsdb.retention.size: 实验性质，声明数据块的最大值，不包括wal文件，如512MB
--storage.tsdb.retention: 已被废弃，改成使用storage.tsdb.retention.time

Prometheus将全部当前使用的块保留在内存中。此外，它将最新使用的块保留在内存中，最大内存能够经过storage.local.memory-chunks标志配置。

监测当前使用的内存量：

prometheus_local_storage_memory_chunks
process_resident_memory_bytes

监测当前使用的存储指标：

prometheus_local_storage_memory_series: 时间序列持有的内存当前块数量
prometheus_local_storage_memory_chunks: 在内存中持久块的当前数量
prometheus_local_storage_chunks_to_persist: 当前仍然须要持久化到磁盘的的内存块数量
prometheus_local_storage_persistence_urgency_score: 紧急程度分数

prometheus 2.0的存储升级

prometheus 2.0于2017-11-08发布，主要是存储引擎进行了优化。

性能的总体提升：

与 Prometheus 1.8 相比，CPU使用率下降了 20％ - 40％
与 Prometheus 1.8 相比，磁盘空间使用率下降了 33％ - 50％
没有太多查询，平均负载的磁盘 I/O<1％

在Kubernetes集群这样的动态环境中，prometheus的数据平面一般看起来是这种样式

垂直维度表示全部存储的序列
水平维度表示样本传播的时间

如：

requests_total{path="/status", method="GET", instance="10.0.0.1:80"}
requests_total{path="/status", method="POST", instance="10.0.0.3:80"}
requests_total{path="/", method="GET", instance="10.0.0.2:80"}

Prometheus按期为全部系列收集新数据点，这意味着它必须在时间轴的右端执行垂直写入。可是，在查询时，咱们可能但愿访问平面上任意区域的矩形(各类label条件)

所以为了可以在大量数据中有效地查找查询序列，咱们须要一个索引。

在Prometheus 1.x存储层能够很好地处理垂直写入模式，可是随着规模增大，索引或出现一些问题，所以在2.0版本中从新设计了存储引擎和索引，主要改造是：

样本压缩

现有存储层的样本压缩功能在Prometheus的早期版本中发挥了重要做用。单个原始数据点占用16个字节的存储空间。但当普罗米修斯每秒收集数十万个数据点时，能够快速填满硬盘。

但，同一系列中的样本每每很是类似，咱们能够利用这一类样品（一样label）进行有效的压缩。批量压缩一系列的许多样本的块，在内存中，将每一个数据点压缩到平均1.37字节的存储。

这种压缩方案运行良好，也保留在新版本2存储层的设计中。具体压缩算法能够参考：Facebook的“Gorilla”论文中

时间分片

咱们将新的存储层划分为块（block），每一个块在一段时间内保存全部序列。每一个块充当独立数据库。

这样每次查询，仅检查所请求的时间范围内的块子集，查询执行时间天然会减小。

这种布局也使删除旧数据变得很是容易(这在1.x的存储设计中是一个很耗时的操做)。但在2.x中，一旦块的时间范围彻底落后于配置的保留边界，它就能够彻底丢弃。

索引

通常prometheus的查询是把metric+label作关键字的，并且是很宽泛，彻底用户自定义的字符，所以没办法使用常规的sql数据库，prometheus的存储层使用了全文检索中的倒排索引概念，将每一个时间序列视为一个小文档。而metric和label对应的是文档中的单词。

例如，requests_total{path="/status", method="GET", instance="10.0.0.1:80"}是包含如下单词的文档：

__name__="requests_total"
path="/status"
method="GET"
instance="10.0.0.1:80"

基准测试

cpu、内存、查询效率都比1.x版本获得了大幅度的提高

具体测试结果参考：https://dzone.com/articles/pr...

故障恢复

若是您怀疑数据库中的损坏引发的问题，则能够经过使用storage.local.dirtyflag配置，来启动服务器来强制执行崩溃恢复。

若是没有帮助，或者若是您只想删除现有的数据库，能够经过删除存储目录的内容轻松地启动：

1.中止服务：stop prometheus.
2.删除数据目录：rm -r <storage path>/*
3.启动服务：start prometheus

远程存储

Prometheus默认是本身带有存储的，保存的时间为15天。但本地存储也意味着Prometheus没法持久化数据，没法存储大量历史数据，同时也没法灵活扩展。
为了保证Prometheus的简单性，Prometheus并无从自身集群的维度来解决这些问题，而是定义了两种接口，remote_write/remote_read，将数据抛出去，你本身处理。

Prometheus的remote_storage 实际上是一个adapter，至于在adapter的另外一端是什么类型的时序数据库它根本不关心，若是你愿意，你也能够编写本身的adpater。

如：存储的方式为：Prometheus —-发送数据—- > remote_storage_adapter —- 存储数据 —-> influxdb。

prometheus经过下面两种方式来实现与其余的远端存储系统对接：

Prometheus 按照标准的格式将metrics写到远端存储
Prometheus 按照标准格式从远端的url来读取metrics

远程读

在远程读的流程当中，当用户发起查询请求后，Promthues将向remote_read中配置的URL发起查询请求(matchers,ranges)，Adaptor根据请求条件从第三方存储服务中获取响应的数据。同时将数据转换为Promthues的原始样本数据返回给Prometheus Server。

当获取到样本数据后，Promthues在本地使用PromQL对样本数据进行二次处理。

远程写

用户能够在Promtheus配置文件中指定Remote Write(远程写)的URL地址，一旦设置了该配置项，Prometheus将样本数据经过HTTP的形式发送给适配器(Adaptor)。而用户则能够在适配器中对接外部任意的服务。外部服务能够是真正的存储系统，公有云的存储服务，也能够是消息队列等任意形式。

配置

配置很是简单，只须要将对应的地址配置下就行

remote_write:
  - url: "http://localhost:9201/write"

remote_read:
  - url: "http://localhost:9201/read"

社区支持

如今社区已经实现了如下的远程存储方案

AppOptics: write
Chronix: write
Cortex: read and write
CrateDB: read and write
Elasticsearch: write
Gnocchi: write
Graphite: write
InfluxDB: read and write
OpenTSDB: write
PostgreSQL/TimescaleDB: read and write
SignalFx: write

可使用读写完整的InfluxDB，咱们使用了多prometheus server同时远程读+写，验证了速度仍是能够的。而且InfluxDB生态完整，自带了不少管理工具。

容量规划

在通常状况下，Prometheus中存储的每个样本大概占用1-2字节大小。若是须要对Prometheus Server的本地磁盘空间作容量规划时，能够经过如下公式计算：

磁盘大小 = 保留时间 * 每秒获取样本数 * 样本大小

保留时间(retention_time_seconds)和样本大小(bytes_per_sample)不变的状况下，若是想减小本地磁盘的容量需求，只能经过减小每秒获取样本数(ingested_samples_per_second)的方式。

所以有两种手段，一是减小时间序列的数量，二是增长采集样本的时间间隔。

考虑到Prometheus会对时间序列进行压缩，所以减小时间序列的数量效果更明显。

其余

远程读写解决了Promtheus的数据持久化问题。使其能够进行弹性扩展。另外还支持联邦集群模式，用于解决横向扩展、网络分区的问题（如地域A+B+C的监控数据，统一汇总到D），联邦集群的配置将在后面的Promthues高可用文章中详细说明。

附：kubecon2018上讲Prometheus 2.0的帅哥

还有一本专门讲Prometheus的书：Prometheus: Up & Running(600多页...)

国内没找到卖的，找到了一本英文pdf的，还在翻译理解中，有新的内容会继续同步在这个系列博客

。。。又找到一本：https://www.prometheusbook.com/

参考资料：

本文为容器监控实践系列文章，完整内容见：container-monitor-book